量子科技中心_量科网

利用量子电路作为量子特征映射（QFMs）的量子机器学习模型，因其在学习任务中具备更强的表达能力而广受认可。该模型已在特定分类问题家族中展现出严格的端到端量子加速优势。然而，由于电路噪声和硬件限制，在真实量子设备上部署深度QFMs仍面临挑战。此外，变分量子算法常遭遇计算瓶颈，特别是在梯度精确估算方面，这显著增加了训练过程中的量子资源需求。该研究团队提出迭代式量子特征映射（IQFMs）——一种通过将浅层QFMs与经典计算的增强权重迭代连接来构建深度架构的量子-经典混合框架。通过融入对比学习和分层训练机制，IQFMs有效减少了量子运行时间并缓解噪声导致的性能衰减。在处理含噪量子数据的任务中，数值实验表明IQFMs的表现优于量子卷积神经网络，且无需优化变分量子参数。即便在经典图像分类基准测试中，经过精心设计的IQFMs也能达到与传统神经网络相当的精度。该框架为解决当前局限、充分发挥量子增强机器学习的潜力提供了崭新路径。